Agen AI, Jelas Dijelaskan
AI.
AI. Kau tahu, lebih agentic. Kemampuan Agentik. Seorang agen AI. Agen.
Agentik mengalir. Agen. Agen. Agen. Agen. Agen. Agen. Agentik.
Baiklah. Kebanyakan penjelasan dari agen AI terlalu teknis atau terlalu dasar. Video ini ditujukan untuk orang-orang seperti diriku. Anda tidak memiliki latar belakang teknis, tetapi Anda menggunakan alat AI secara teratur dan Anda ingin belajar cukup tentang agen AI untuk melihat bagaimana hal itu mempengaruhi Anda. Dalam video ini, kita akan mengikuti satu, dua, tiga langkah belajar dengan membangun konsep yang sudah Anda pahami seperti chatbt dan kemudian beralih ke cara kerja AI dan akhirnya agen AI. Semua sementara menggunakan contoh Anda
akan benar-benar bertemu dalam kehidupan nyata. Dan percayalah ketika saya katakan istilah mengintimidasi yang Anda lihat di mana-mana seperti kain, kain, atau reaksi, mereka jauh lebih sederhana dari yang Anda pikirkan. Mari kita mulai. Menendang sesuatu di tingkat satu, model bahasa yang besar. Chatbot AI populer seperti CHBT, Google Gemini, dan Claude adalah aplikasi yang dibangun di atas model bahasa yang besar, LLM, dan mereka fantastis dalam menghasilkan dan mengedit teks. Ini visualisasi sederhana.
Anda, manusia, menyediakan masukan dan LLM menghasilkan keluaran berdasarkan data pelatihan. Sebagai contoh, jika saya meminta Chachi BT untuk menyusun email meminta obrolan kopi, prompt saya adalah masukan dan email yang dihasilkan yang lebih sopan daripada yang pernah saya lakukan dalam kehidupan nyata adalah hasil. Sejauh ini baik, kan? Hal-hal sederhana. Tapi bagaimana jika aku tanya Chachi BT saat obrolan kopiku berikutnya?
Bahkan tanpa melihat responnya, kita berdua tahu Chachi PT akan gagal karena dia tidak tahu informasi itu. Ini tidak memiliki akses ke kalender saya. Ini menyoroti dua ciri utama dari model bahasa besar. Pertama, meskipun dilatih dengan jumlah besar data, mereka memiliki pengetahuan terbatas tentang informasi proprietary seperti informasi pribadi kita atau data perusahaan internal. Kedua, LLM pasif. Mereka
menunggu perintah kita dan kemudian menjawab. Benar? Simpan dua sifat ini dalam pikiran bergerak maju. Pindah ke tingkat dua, arus kerja AI. Mari kita bangun dengan contoh kita.
Bagaimana jika saya, seorang manusia, mengatakan LM, “Setiap kali saya bertanya tentang acara pribadi, melakukan query pencarian dan mengambil data dari kalender Google saya sebelum memberikan jawaban”. Dengan logika ini diimplementasikan, waktu berikutnya saya bertanya, “Kapan kopi saya chatting dengan Elon Husky?” Saya akan mendapatkan jawaban yang benar karena LLM akan terlebih dahulu masuk ke kalender Google saya untuk menemukan informasi itu. Tapi di sinilah ia mendapat rumit. Bagaimana jika pertanyaan berikutnya adalah, “Apa yang akan cuaca seperti hari itu?” LM
sekarang akan gagal dalam menjawab query karena jalur yang kami katakan LM untuk mengikuti adalah untuk selalu mencari kalender Google saya, yang tidak memiliki informasi tentang cuaca. Ini adalah sifat dasar dari arus kerja AI. Mereka hanya bisa mengikuti jalan yang telah ditentukan oleh manusia. Dan jika Anda ingin mendapatkan teknis, jalan ini juga disebut logika kontrol. Mendorong contoh saya lebih lanjut, bagaimana jika saya menambahkan lebih banyak langkah ke dalam aliran kerja dengan memungkinkan LM untuk mengakses cuaca melalui API dan kemudian hanya untuk bersenang-senang menggunakan teks ke model audio untuk berbicara jawaban. Cuaca
perkiraan untuk melihat Elon Husky cerah dengan kesempatan menjadi anak yang baik. Begini. Tidak peduli berapa banyak langkah yang kita tambahkan, ini masih hanya aliran kerja AI. Bahkan jika ada ratusan atau ribuan langkah, jika manusia adalah pembuat keputusan, tidak ada keterlibatan agen AI. Saran Pro: penerimaan tambahan generasi atau kain adalah istilah mewah yang sering dilemparkan. Masuk
sederhana istilah, kain adalah proses yang membantu model AI melihat hal-hal sebelum mereka menjawab, seperti mengakses kalender saya atau layanan cuaca. Pada dasarnya, Rag hanyalah sejenis aliran kerja AI. Omong-omong, aku punya peralatan AI gratis yang memotong kebisingan dan membantumu menguasai alat AI dan mengalir. Aku akan meninggalkan link ke bawah. Inilah contoh dunia nyata. Mengikuti Helena
Tutorial Louu yang menakjubkan, saya menciptakan sederhana AI workflow menggunakan make.com. Di sini Anda dapat melihat bahwa pertama kali saya menggunakan Google Sheets untuk melakukan sesuatu. Secara khusus, saya menyusun tautan ke artikel berita dalam lembaran Google. Dan ini adalah bahwa lembar Google. Kedua, aku menggunakan Perplexitto
meringkas artikel berita tersebut. Kemudian menggunakan Claude dan menggunakan prompt yang saya tulis, saya meminta Claude untuk menyusun sebuah pos LinkedIn dan Instagram. Akhirnya, aku bisa menjadwalkan ini untuk dijalankan secara otomatis setiap hari jam 8 pagi. Seperti yang Anda lihat, ini adalah aliran kerja AI karena mengikuti jalur yang telah ditentukan oleh saya. Langkah pertama, Anda
lakukan ini. Langkah kedua, kau lakukan ini. Langkah ketiga, lakukan ini. Dan akhirnya, ingat untuk berlari setiap hari jam 8 pagi. Satu hal lagi, jika saya menguji aliran kerja ini dan saya tidak suka keluaran terakhir dari Linked Di pos, misalnya, seperti yang Anda lihat di sini, eh, itu tidak cukup lucu dan aku alami lucu, kan? Aku harus kembali secara manual dan
menulis ulang prompt untuk Claude. Oke? Dan iterasi percobaan dan kesalahan saat ini dilakukan oleh saya, manusia. Jadi simpan itu dalam pikiran bergerak maju. Baiklah, tingkat tiga, agen AI.
Melanjutkan contoh make.com, mari kita rusak apa yang telah saya lakukan sejauh sebagai pembuat keputusan manusia. Dengan tujuan menciptakan posting media sosial berdasarkan artikel berita, saya perlu melakukan dua hal. Pertama, alasan atau berpikir tentang pendekatan terbaik. Pertama-tama saya harus mengkompilasi artikel berita, lalu merangkumnya, lalu menulis posting terakhir. Kedua, ambil tindakan menggunakan alat.
I need to find and link to those news articles in Google Sheets. Gunakan Perpleksitas untuk rangkuman waktu dan kemudian cakar untuk hak cipta. Jadi, dan ini adalah kalimat yang paling penting di seluruh video ini. Satu perubahan besar yang harus terjadi agar aliran kerja AI ini menjadi agen AI adalah bagi saya, pembuat keputusan manusia, untuk digantikan oleh LLM. Dengan kata lain, agen AI harus alasan. Apa
cara paling efisien untuk mengumpulkan artikel berita ini? Haruskah aku menyalin dan menempelkan setiap artikel ke dalam dokumen kata? Tidak, mungkin lebih mudah untuk mengkompilasi link ke artikel-artikel dan kemudian menggunakan alat lain untuk mengambil data. Ya, itu lebih masuk akal. Agen AI harus bertindak, alias melakukan hal-hal melalui alat. Haruskah saya menggunakan Microsoft
Kata untuk kompilasi link? Tidak. Memasukan link langsung ke baris adalah cara yang lebih efisien. Bagaimana dengan Excel? M. Jadi
pengguna telah terhubung akun Google mereka dengan make.com. user has already connected their Google account with make.com. Jadi Google Sheets adalah pilihan yang lebih baik. Saran profesional. Karena itu, konfigurasi yang paling umum untuk agen AI adalah kerangka kerja reaksi. Semua AI
agen harus alasan dan tindakan. Jadi bereaksi. Kedengarannya sederhana setelah kita memecahkannya, kan? Sebuah sifat kunci ketiga dari agen AI adalah kemampuan mereka untuk menggambarkan. Ingat ketika saya harus menulis ulang secara manual prompt untuk membuat Pos LinkedIn lucu? Aku, manusia, mungkin perlu
mengulang proses iteratif ini beberapa kali untuk mendapatkan sesuatu yang saya senang dengan, kan? Seorang agen AI akan mampu melakukan hal yang sama secara otonom. Dalam contoh kami, agen AI secara otomatis akan menambahkan LM lain untuk mengkritisi keluaran sendiri. Oke, aku telah menyusun V1 dari pos LinkedIn. Bagaimana saya memastikan itu baik? Oh, aku tahu. Saya akan menambahkan langkah lain
dimana LM akan mengkritisi pos berdasarkan praktek terbaik LinkedIn. Dan mari kita ulangi ini sampai kriteria praktek terbaik semua terpenuhi. Dan setelah beberapa siklus itu, kita memiliki output akhir. Itu contoh hipotetis. Jadi mari kita beralih ke contoh agen AI dunia nyata. Andrew adalah awal
angka dalam AI dan ia menciptakan situs demo ini yang menggambarkan bagaimana agen AI bekerja. Saya akan menghubungkan video lengkap di bawah ini, tetapi ketika saya mencari kata kunci seperti skier, masukkan agen visi AI di latar belakang adalah pertama penalaran apa yang terlihat seperti pemain ski. Seseorang di ski akan benar-benar cepat di salju, misalnya, kan? Aku tidak yakin. Dan kemudian ia berakting dengan melihat klip-klip dalam rekaman video, mencoba untuk mengidentifikasi apa yang ia pikir pemain ski adalah, indeks klip itu, dan kemudian kembali klip itu kepada kami. Meskipun ini
mungkin tidak merasa mengesankan, ingat bahwa agen AI melakukan semua itu bukannya manusia meninjau rekaman sebelumnya, secara manual mengidentifikasi pemain ski, dan menambahkan tag seperti skier, gunung, ski, salju. Pemrograman ini jelas jauh lebih teknis dan rumit daripada apa yang kita lihat di akhir depan, tapi itu titik demo ini, kan? Pengguna rata-rata seperti saya ingin aplikasi sederhana yang hanya bekerja tanpa saya harus memahami apa yang terjadi di akhir. Berbicara tentang contoh, aku juga membangun agen AI ku sendiri menggunakan Nan. Jadi, biarkan aku tahu dalam komentar apa jenis agen AI Anda ingin saya untuk membuat tutorial di berikutnya. Ke
membungkus, inilah visualisasi yang disederhanakan dari tiga tingkat kita membahas hari ini. Tingkat satu, kami menyediakan masukan dan LM menanggapi sebuah keluaran. Tenang. Tingkat dua, untuk aliran kerja AI, kami menyediakan masukan dan memberitahu LM untuk mengikuti jalur yang telah ditentukan yang mungkin melibatkan dalam mengambil informasi dari perangkat eksternal. Sifat kunci di sini adalah bahwa manusia program jalan untuk LM untuk mengikuti. Tingkat tiga, agen AI
menerima tujuan dan LM melakukan penalaran untuk menentukan bagaimana terbaik untuk mencapai tujuan, mengambil tindakan menggunakan hasil sementara, mengamati hasil interim, dan memutuskan apakah iterasi diperlukan, dan menghasilkan keluaran terakhir yang mencapai tujuan awal. Sifat kunci di sini adalah LLM adalah pembuat keputusan dalam aliran kerja. Jika Anda menemukan ini membantu, Anda mungkin ingin belajar bagaimana membangun basis data prompt di Notion. Sampai jumpa di video berikutnya. Sementara itu, semoga sukses.
Watch on YouTube
Keyword: AI workflow automation